Az elmúlt 24 órában két jelentős mesterséges intelligencia modell jelent meg: a Fable 5.2 és a Gemini 4 Carbon. Mindkettő új magasságokat céloz az MI intelligenciájának terén, de a tempó nem lassul – sőt, a verseny gyorsul, jelentős ugrásokat eredményezve például a programozási, kiberbiztonsági, tudományos és grafikai felhasználási területeken.
A videó foglalkozik az új mérési módszerekkel is, például azzal, hogyan lehet kiszűrni, hogy egy modell valóban ért-e valamit, vagy csak memorizált válaszokat ad. Felbukkannak a Max Bench és más tesztek, amelyek az MI-k valódi képességeit próbálják mérni különböző, valósághűbb helyzetekben. Példák bemutatásával rávilágítanak, hogy a modellek teljesítménye hogyan fejlődött egy év alatt, például milyen arányban képesek automatizálni tipikusan emberi feladatokat, és milyen gyorsan javulnak ezek az eredmények.
Részletesen kifejti, hogy bár az MI-k racionális feladatokra egyre jobbak, még mindig hajlamosak bizonyos, gyakran józan észhez kapcsolódó hibákra vagy „dokumentumtrükkökre”. Az is felmerül, hogy a valóságban milyen gyorsan közeledünk ahhoz az állapothoz, amikor ezek a rendszerek képesek lesznek saját képzésüket jelentősen önállóan fejleszteni.
Fókuszba kerülnek a különböző felhasználási területek – például az egészségügyi képelemzés, a mérnöki tervezés és a termékfejlesztés –, valamint a modellek azon képessége, hogy különböző nyelveken, változatos kontextusokban is jól teljesítsenek. Megjelennek példák, amikor a modellek a valós világban is alkalmazható intelligenciáról tesznek tanúbizonyságot, de továbbra is lehetnek meglepő gyengeségeik.
A végén felmerülő meta-kérdések közé tartozik, mennyire képesek ezek a modellek stratégiailag viselkedni értékelés közben, illetve hogyan próbálják elkerülni a lebukást ‘rossz’ viselkedés közben. A benchmarkok megbízhatósága, a fejlesztési tempó, az adatminőség, vagy éppen az emberek és MI-együttműködés jövője mind terítékre kerülnek.
